A seamless global daily soil moisture dataset (2010–2015) harmonized from SMOS observations and SMAP-era assimilation modeling
Notice bibliographique
Résumé
The consecutive Soil Moisture and Ocean Salinity (SMOS) and Soil Moisture Active Passive (SMAP) satellite missions have enhanced global L-band soil moisture monitoring. Specifically, SMAP Level-4 (SPL4) provides Bias-corrected, spatiotemporally continuous estimates via brightness temperature (Tb) assimilation. However, the temporal gaps between SMOS and SMAP and the limited duration of SPL4 constrain long-term applications. This study proposes a proxy modeling framework to extend SMAP-quality estimates back to 2010, creating a seamless six-year dataset (2010–2015) that bridges pre-SMAP observations with modern products. The framework integrates three components: reconstructing missing SMOS Tb data using the Data-Interpolating Empirical Orthogonal Functions method; training structure-flexible Long Short-Term Memory networks on reconstructed Tb and SPL4 data across six bioclimatic zones; and fusion with Copernicus soil moisture data using a Principal Component Analysis–wavelet approach to enhance consistency and extreme value simulation. Validation against 18 in situ networks showed strong performance (median unbiased root mean square error = 0.04 m³/m³; R > 0.6 in most regions). Compared with benchmark datasets (SGD-SM and NNsm), the Extended Seamless Soil Moisture (ESSM) dataset exhibits improved accuracy, particularly in regions with complex terrain or extreme climates. ESSM provides a robust foundation for hydrological modeling, drought monitoring, and climate variability studies during the critical pre-SMAP period.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».